جواد امان اله نژاد فرد - دانشجوی کارشناسی ارشد مهندسی کامپیوتر (هوش مصنوعی) موسسه آموزش عالی آپادانا، شیراز، ایران

این مقاله یک الگوریتم ترکیبی جدید برای بهینه سازی چند هدفه ارائه می کند، که نقاط قوت الگوریتم تکاملی چندهدفه را بر اساس تجزیه (MOEA/D) و شبکه های عصبی مکرر(PNN) ترکیب می کند. هدف الگوریتم پیشنهادی دستیابی به جستجوی جهانی با استفاده از MOEA/D، در حالی که از شبکه های عصبی مکرر برای جستجوی محلی استفاده می کند. عملکرد الگوریتم ترکیبی با سه الگوریتم چندهدفه دیگر با استفاده از معیارهایی مانند حجم زیاد و فاصله نسل معکوس مقایسه می شود و نشان می دهد که الگوریتم پیشنهادی عموما از الگوریتم های مقایسه شده بهتر عمل می کند. الگوریتم پیشنهادی در یک سلسله مراتب دوسطحی سازماندهی شده است، با MOEA/D که جستجوی جهانی را در سطح بالایی انجام می دهد و شبکه های عصبی مکرر جستجوی محلی دقیق را به صورت موازی در سطح پایین تر انجام می دهند. در این مقاله نویسنده مفهوم بهینه سازی چند هدفه را معرفی می کند و آن را برای به حداقل رساندن یک MOP با اهداف متعدد تعریف می کند که منجر به راه حل های غیرمسلط به نام راه حل های بهینه پارتو (POS) می شود. چارچوب MOEA/D توضیح داده شده است و بر پذیرش بردارهای وزنی توزیع شده یکنواخت برای تبدیل زیرمشکلات تاکید دارد. علاوه بر این، شبکه عصبی پروجکشن (PNN) به عنوان راه حلی برای مسائل بهینه سازی محدود معرفی شده است. بخش الگوریتم ترکیبی پیشنهادی، معماری دقیق الگوریتم ترکیبی را ارائه می کند و توضیح می دهد که چگونه MOEA/D و PNN به طور مشترک در سطوح مختلف برای تولید مجموعه ای از راه حل های بهینه پارتو کار می کنند.

شبکه عصبی مکرر,(PNN) الگوریتم تکاملی چند هدفه مبتنی بر تجزیه ,(MOEA\D)راه حل های پارتو بهینه .(POS)